论文部分内容阅读
在图像处理领域,目标检测算法已经成为了人们的研究重点,并在人类生活中有着广泛的应用。但是现有的算法仍存在一些关键问题。一方面,卷积分类网络是目标检测算法提取图像特征的基础。在提取图像特征时,卷积分类网络自身参数规模大、模型计算复杂。另一方面,被检测的目标对象存在着尺度、大小的多样性,算法对于复杂场景的目标不能有效的识别。本文从理论与地基应用出发,针对存在的问题进行了深入研究,提出了有效的解决方法。本文的主要研究内容和贡献包括以下几个方面:
本文提出了优化的密集网络Densenet-Evo。Densenet-Evo的主要优化为自学习的分组卷积结构的设计。在网络的训练过程中,每个分组由网络自动的划分,并且会根据特征的权重逐渐删除每个分组中不重要特征之间的连接。这样既保证了网络的高度稀疏性,也降低了网络的参数数量与计算量。深层的网络更加依赖于高层特征,本文抛弃原有网络的固定增长率设置,采用了指数增长率,加大了特征传递时高层特征的比重。同时对每个密集块网络也进行了密集连接。本文在cifar-10、cifar-100数据集上进行了分类对比实验,对比的对象包括原始的Densenet以及现有的分类网络VGG-16、Googlenet、Resnet-101。实验结果表明,优化的卷积网络Densenet-Evo在保证分类性能的前提下,网络的参数量、计算量更低。
本文设计了基于密集网络的目标检测算法以解决检测模型无法准确检测多尺度目标的问题。算法研究中结合了Densenet-Evo网络的结构特点,利用多层次、多分辨率的特征信息进行预测,不同层次的特征负责预测不同尺度的目标。在每个层次的预测过程中,为了使候选框更准确的拟合目标的真实位置,本文设置了多尺度、多比例的锚点映射框。
通过在PASCALVOC2007数据集上进行对比实验,结果表明多尺度的预测框与多层次特征的预测更好地应对现实中不同比例的目标、有效利用了图像的特征信息,提高算法的识别精度。
本文提出了优化的密集网络Densenet-Evo。Densenet-Evo的主要优化为自学习的分组卷积结构的设计。在网络的训练过程中,每个分组由网络自动的划分,并且会根据特征的权重逐渐删除每个分组中不重要特征之间的连接。这样既保证了网络的高度稀疏性,也降低了网络的参数数量与计算量。深层的网络更加依赖于高层特征,本文抛弃原有网络的固定增长率设置,采用了指数增长率,加大了特征传递时高层特征的比重。同时对每个密集块网络也进行了密集连接。本文在cifar-10、cifar-100数据集上进行了分类对比实验,对比的对象包括原始的Densenet以及现有的分类网络VGG-16、Googlenet、Resnet-101。实验结果表明,优化的卷积网络Densenet-Evo在保证分类性能的前提下,网络的参数量、计算量更低。
本文设计了基于密集网络的目标检测算法以解决检测模型无法准确检测多尺度目标的问题。算法研究中结合了Densenet-Evo网络的结构特点,利用多层次、多分辨率的特征信息进行预测,不同层次的特征负责预测不同尺度的目标。在每个层次的预测过程中,为了使候选框更准确的拟合目标的真实位置,本文设置了多尺度、多比例的锚点映射框。
通过在PASCALVOC2007数据集上进行对比实验,结果表明多尺度的预测框与多层次特征的预测更好地应对现实中不同比例的目标、有效利用了图像的特征信息,提高算法的识别精度。